Representaciones tiempo-frecuencia basadas en sensores inerciales para caracterizar la marcha en la enfermedad de Parkinson

  • Marlon E. Bedoya-Vargas Universidad de Antioquia
  • Juan C. Vásquez-Correa Universidad de Antioquia
  • Juan R. Orozco-Arroyave Universidad de Antioquia
Palabras clave: Enfermedad de Parkinson, sensores inerciales, representación tiempo-frecuencia, Transformada Wavelet, análisis de marcha, clasificación supervisada

Resumen

La Enfermedad de Parkinson (EP) es un desorden neurodegenerativo del sistema nervioso central, cuyas características principales incluyen entre otras la rigidez, bradicinesia y pérdida de los reflejos posturales. El diagnóstico de la EP está basado en análisis de la historia clínica y evaluaciones físicas realizadas a los pacientes. El monitoreo del estado neurológico de los pacientes está basado en valoraciones subjetivas que realizan los neurólogos. El análisis de la marcha usando sensores inerciales aparece como un instrumento sencillo y útil para ayudar en el proceso de diagnóstico y monitoreo de los pacientes con EP. En este artículo usamos el sistema eGaIT, el cual captura señales de acelerómetro y giróscopo del proceso de marcha para evaluar las habilidades motoras de los pacientes. Las transformadas de Fourier y Wavelet son utilizadas para extraer medidas basadas en energía y entropía en el dominio de Tiempo-Frecuencia. Las características extraídas son utilizadas para discriminar entre pacientes con EP y personas sanas. De acuerdo con los resultados, es posible clasificar estos dos grupos con una precisión de hasta el 94 %.

Biografía del autor/a

Marlon E. Bedoya-Vargas, Universidad de Antioquia

Ingeniero Electrónico, Grupo de investigación en Telecomunicaciones aplicadas (GITA), Facultad de Ingeniería, Universidad de Antioquia, Medellín-Colombia

Juan C. Vásquez-Correa, Universidad de Antioquia

MSc. en Ingeniería de Telecomunicaciones, Grupo de investigación en Telecomunicaciones aplicadas (GITA), Facultad de Ingeniería, Universidad de Antioquia, Medellín-Colombia, Laboratorio de reconocimiento de patrones (LME), Universidad de Erlangen, Erlangen-Alemania

Juan R. Orozco-Arroyave, Universidad de Antioquia

PhD en Ciencias de la Computación, Grupo de investigación en Telecomunicaciones aplicadas (GITA), Facultad de Ingeniería, Universidad de Antioquia, Medellín-Colombia, Laboratorio de reconocimiento de patrones (LME), Universidad de Erlangen, Erlangen-Alemania

Referencias bibliográficas

[1] S. Sveinbjornsdottir, “The clinical symptoms of Parkinson’s disease,” J. Neurochem., vol. 139, pp. 318–324, Oct. 2016.
[2] A. A. Moustafa et al., “Motor symptoms in Parkinson’s disease: A unified framework,” Neurosci. Biobehav. Rev., vol. 68, pp. 727–740, Sep. 2016.
[3] C. G. Goetz et al., “Movement Disorder Society-sponsored revision of the Unified Parkinson’s Disease Rating Scale (MDS-UPDRS): Scale presentation and clinimetric testing results,” Mov. Disord., vol. 23, no. 15, pp. 2129–2170, Nov. 2008.
[4] R. B. Postuma et al., “MDS clinical diagnostic criteria for Parkinson’s disease,” Mov. Disord., vol. 30, no. 12, pp. 1591–1601, Oct. 2015.
[5] M. E. Morris, F. Huxham, J. McGinley, K. Dodd, and R. Iansek, “The biomechanics and motor control of gait in Parkinson disease,” Clin. Biomech., vol. 16, no. 6, pp. 459–470, Jul. 2001.
[6] J. Barth et al., “Combined analysis of sensor data from hand and gait motor function improves automatic recognition of Parkinson’s disease,” in International Conference of the Engineering in Medicine and Biology Society (EMBC), 2012, pp. 5122–5125.
[7] B. Mariani, M. C. Jiménez, F. J. G. Vingerhoets, and K. Aminian, “On-Shoe Wearable Sensors for Gait and Turning Assessment of Patients With Parkinson’s Disease,” IEEE Trans. Biomed. Eng., vol. 60, no. 1, pp. 155–158, Jan. 2013.
[8] E. Sejdic, K. A. Lowry, J. Bellanca, M. S. Redfern, and J. S. Brach, “A Comprehensive Assessment of Gait Accelerometry Signals in Time, Frequency and Time-Frequency Domains,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 22, no. 3, pp. 603–612, May 2014.
[9] J. C. M. Schlachetzki et al., “Wearable sensors objectively measure gait parameters in Parkinson’s disease,” PLoS One, vol. 12, no. 10, p. e0183989, Oct. 2017.
[10] J. C. Vásquez-Correa et al., “Multi-view representation learning via gcca for multimodal analysis of Parkinson’s disease,” in 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2017, pp. 2966–2970.
[11] A. Martínez-Ramírez et al., “Frailty assessment based on trunk kinematic parameters during walking,” J. Neuroeng. Rehabil., vol. 12, no. 1, p. 48, Dec. 2015.
[12] B. Boashash, “Time-frequency signal analysis and processing: a comprehensive reference,” in Time-Frequency Signal Analysis and Processing: A Comprehensive Reference, 2nd ed., Academic Press, 2015, pp. 65–100.
[13] J. R. Orozco-Arroyave et al., “NeuroSpeech: An open-source software for Parkinson’s speech analysis,” Digit. Signal Process., vol. 77, pp. 207–221, Jun. 2018.
[14] L. Cohen, “Time-frequency distributions-a review,” Proc. IEEE, vol. 77, no. 7, pp. 941–981, Jul. 1989.
[15] S. Mallat, A wavelet tour of signal processing: the sparse way, 3rd ed. Academic press, 2008.
[16] C. K. Chui, An introduction to wavelets. Academic Press, 2016.
[17] T. Arias-Vergara, J. C. Vásquez-Correa, and J. R. Orozco-Arroyave, “Parkinson’s Disease and Aging: Analysis of Their Effect in Phonation and Articulation of Speech,” Cognit. Comput., vol. 9, no. 6, pp. 731–748, Dec. 2017
Cómo citar
[1]
M. E. Bedoya-Vargas, J. C. Vásquez-Correa, y J. R. Orozco-Arroyave, «Representaciones tiempo-frecuencia basadas en sensores inerciales para caracterizar la marcha en la enfermedad de Parkinson», TecnoL., vol. 21, n.º 43, pp. 53–69, sep. 2018.

Descargas

Los datos de descargas todavía no están disponibles.
Publicado
2018-09-14
Sección
Artículos

Métricas

Algunos artículos similares: